نموذج كوكس التكيفي للمخاطر النسبية — انحدار البقاء المعاقب مع اختيار تلقائي للمتغيرات
- قدّمه
- Hao Helen Zhang & Wenbin Lu (adaptive LASSO formulation); base Cox model by David R. Cox
- السنة
- 2007 (adaptive LASSO variant); base Cox model 1972
- النوع
- Penalized semi-parametric survival regression
- العائلة
- Clinical / epidemiology
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
يمتد نموذج كوكس التكيفي للمخاطر النسبية نموذج كوكس الكلاسيكي للنتائج المتعلقة بالوقت حتى وقوع الحدث عن طريق إضافة معاقبة تكيفية من نوع LASSO (أو ما شابه). يقوم بتقدير نسب المخاطر وإجراء اختيار للمتغيرات في وقت واحد، مما يتقلص معاملات المتغيرات المساعدة غير ذات الصلة إلى الصفر بالضبط. هذا يجعله ذا قيمة خاصة في مجموعات البيانات السريرية أو الجينومية عالية الأبعاد حيث يكون عدد المتنبئات المرشحة كبيرًا مقارنة بعدد الأحداث.
الفكرة الحدسية وراء الطريقة
يمكن أن يصبح انحدار كوكس الكلاسيكي غير مستقر أو حتى يفشل عندما تتنافس العديد من المتنبئات لتفسير نتائج البقاء على قيد الحياة — وهو وضع شائع في علم الجينوم أو الدراسات السريرية متعددة المراكز. يفرض نموذج كوكس التكيفي عقوبة على كل معامل، ولكن الأهم من ذلك أن العقوبة مصممة خصيصًا لكل متنبئ: المتغيرات التي تبدو مفيدة في تقدير أولي تحصل على عقوبة خفيفة ويُسمح لها بالبقاء، بينما المتغيرات التي تبدو ضوضائية تحصل على عقوبة ثقيلة ويتم تقليصها إلى الصفر بالضبط، ويتم استبعادها فعليًا من النموذج النهائي. هذه المعايرة التكيفية المكونة من مرحلتين تمنح الطريقة خاصية الأوراكل: بشكل تقريبي، فإنها تعمل بنفس جودة لو كنت تعرف المجموعة الفرعية الصحيحة من المتنبئات منذ البداية.
التاريخ
بناء توقيعات تنبؤية جينومية للبقاء على قيد الحياة المرتبطة بالسرطان من التعبير الجيني أو مصفوفات SNP.
متى تُستخدم
استخدم نموذج كوكس التكيفي عندما يكون الهدف البحثي هو بناء نموذج تنبؤي للبقاء على قيد الحياة موجز أو لتحديد مجموعة فرعية من المؤشرات الحيوية التنبؤية من مجموعة مرشحة كبيرة، خاصة عندما تكون نسبة الأحداث إلى المتغيرات منخفضة (على سبيل المثال، أقل من 10 أحداث لكل متغير). إنه مناسب تمامًا لبيانات الجينوم أو النسخ أو السجلات متعددة المراكز حيث يجب تقليل مئات أو آلاف الميزات. لا تستخدمه كبديل مباشر لانحدار كوكس الكلاسيكي عندما تكون مجموعة المتنبئات صغيرة ومدفوعة بالنظرية — في الدراسات التأكيدية منخفضة الأبعاد، يفضل انحدار كوكس القياسي مع المتغيرات المساعدة المحددة مسبقًا. تجنب الطريقة أيضًا عندما يتم انتهاك افتراض المخاطر النسبية بشدة عبر المتنبئات المختارة؛ ضع في اعتبارك معاملات متغيرة مع الزمن أو نماذج زمن الفشل المعجل بدلاً من ذلك.
الحدود والاعتبارات
- يتطلب تقديرًا أوليًا موثوقًا للأوزان التكيفية؛ يمكن أن تؤدي التقديرات الأولية السيئة (على سبيل المثال، من نموذج غير معاقب عالي الأبعاد للغاية) إلى انتشار الأخطاء في متجه الوزن.
- لا يمكن إجراء الاختيار والاستدلال على نفس البيانات دون تعديل — يتطلب الاستدلال بعد الاختيار إجراءات مخصصة (على سبيل المثال، الاستدلال الانتقائي أو تقسيم العينة).
- لا يزال يتعين التحقق من افتراض المخاطر النسبية للمتنبئات المحتفظ بها؛ لا يحل المعاقبة انتهاكات هذا الافتراض الأساسي للنموذج.
- يتدهور الأداء مع معدلات الرقابة العالية جدًا أو المتابعة القصيرة، حيث أن قلة الأحداث المرصودة تحد من إشارة الاحتمالية الجزئية.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يقوم بإجراء اختيار متغيرات وتقدير تأثيرات متزامن في عملية ملاءمة نموذج واحد منظم.
- تضمن خاصية الأوراكل الصحة التقريبية لاختيار المتغيرات في ظل ظروف الانتظام.
- يتعامل مع المتنبئات عالية الأبعاد (سيناريوهات p >> n) حيث يكون انحدار كوكس الكلاسيكي غير ممكن.
- تقلل الأوزان التكيفية من تحيز التقلص على المعاملات الكبيرة مقارنة بانحدار LASSO Cox القياسي.
- ينتج نسب مخاطر قابلة للتفسير للمتنبئات المحتفظ بها، بما يتفق مع اتفاقيات الإبلاغ السريري.
التطبيقات
- تحديد المؤشرات الحيوية التنبؤية المستقلة من بين مجموعات المتغيرات السريرية الكبيرة في دراسات السجل القائم على السجلات.
- تطوير درجات مخاطر قلبية وعائية متفرقة من ميزات السجلات الصحية الإلكترونية عالية الأبعاد.
- اختيار المتنبئات لنماذج وقت الخروج من المستشفى أو وقت الانتكاس في التجارب السريرية متعددة المراكز.
- بناء نماذج تنبؤية موجزة لنتائج الأمراض المعدية (على سبيل المثال، وقت التخلص من الفيروس أو الوفيات) عندما تتوفر العديد من علامات المختبر المرشحة.
- كيف يختلف انحدار كوكس التكيفي عن انحدار LASSO Cox العادي؟
كيف يعمل
كيف يعمل
عرّف نتيجة البقاء على قيد الحياة كزوج (الوقت حتى وقوع الحدث T، مؤشر الرقابة دلتا). قم بتجميع مصفوفة المتغيرات المساعدة X مع p متنبئًا. تحقق من افتراضات المخاطر النسبية وتعامل مع أوقات الأحداث المتساوية (على سبيل المثال، تقريب بريسلو). قم بتوحيد المتنبئات المستمرة قبل المعاقبة لضمان أن العقوبة على مقياس مشترك.
احصل على تقديرات المعاملات الأولية من نموذج كوكس غير المعاقب أو انحدار كوكس ريدج. قم بحساب الأوزان التكيفية لكل متنبئ j كمقلوب القيمة المطلقة للتقدير الأولي مرفوعة إلى قوة جاما (عادة جاما=1 أو 2): w_j = 1 / |beta_j_init|^gamma. المتنبئات القريبة من الصفر في التقدير الأولي تحصل على أوزان كبيرة وسيتم معاقبتها بشدة.
الصيغة
w_j = 1 / |\hat{\beta}_j^{\text{init}}|^\gammaقم بتعظيم الاحتمالية اللوغاريتمية الجزئية لنموذج كوكس مطروحًا منها العقوبة الموزونة L1: ell(beta) - lambda * sum_j w_j |beta_j|. نظرًا للأوزان التكيفية، فإن هذا الهدف له خاصية الأوراكل — في ظل ظروف الانتظام، يحدد الحل بشكل صحيح أي المعاملات هي صفر ويقدر المعاملات غير الصفرية بنفس التوزيع التقريبي كما لو كان الدعم الحقيقي معروفًا.
الصيغة
\ell(\beta) - \lambda \sum_{j=1}^{p} w_j |\beta_j|ينتج مسار الحل مجموعة متفرقة من المتنبئات المختارة (تلك ذات المعاملات غير الصفرية). يتم استبعاد المعاملات التي تم تقليصها إلى الصفر بالضبط من النموذج النهائي. تشكل المتنبئات المختارة وتقديرات نسب المخاطر الخاصة بها (exp(beta_j)) نموذج البقاء النهائي.
اختر معلمة العقوبة lambda عن طريق الاحتمالية الجزئية المتحقق منها بالتقاطع أو معايير المعلومات (AIC، BIC، extended BIC للإعدادات عالية الأبعاد). في تحليل البقاء، يستخدم التحقق المتقاطع K-fold الاحتمالية اللوغاريتمية الجزئية على الطيات المحجوزة. البحث الشبكي على تسلسل lambda على مقياس لوغاريتمي هو أمر قياسي.
قم بتقييم الأداء التنبؤي باستخدام مؤشر التوافق (C-index / Harrell's C) على مجموعة اختبار مستقلة أو عبر التحقق المتقاطع المتداخل. قم بالإبلاغ عن معايرة احتمالات البقاء المتوقعة في آفاق زمنية ذات صلة سريريًا. تحقق من افتراضات المخاطر النسبية للمتنبئات المحتفظ بها باستخدام بقايا شونفيلد.
الأخطاء الشائعة
- يؤدي تجاهل نسبة الحدث إلى المتغير للتقدير الأولي — إذا تم تشغيل نموذج كوكس الأولي غير المعاقب مع عدد أكبر من المتنبئات من الأحداث، فإن التقديرات الأولية غير موثوقة، مما يفسد الأوزان التكيفية.
- معاملة المتنبئات المختارة على أنها مؤكدة دون الاعتراف بقضايا المقارنات المتعددة — اختيار المتغير هو عملية مدفوعة بالبيانات ويجب التحقق من صحة المتنبئات المختارة في مجموعة مستقلة قبل الترجمة السريرية.
- الفشل في التحقق من افتراض المخاطر النسبية على النموذج المختار النهائي — يجب فحص رسوم بقايا شونفيلد لكل متنبئ محتفظ به بعد الاختيار.
- إغفال توحيد المتنبئات المستمرة قبل الملاءمة — تنتج المدخلات غير الموحدة حدود عقوبة على مقاييس غير متوافقة، مما يشوه اختيار المتغير.
- تم تقديم نموذج كوكس للمخاطر النسبية بواسطة ديفيد آر كوكس في ورقته البحثية التاريخية عام 1972 في مجلة الجمعية الإحصائية الملكية، والتي أرست إطار الاحتمالية الجزئية للانحدار على بيانات البقاء على قيد الحياة. تم تطوير معاقبة LASSO لنموذج كوكس في أواخر التسعينيات بواسطة تيبشيراني (1997). تم تقديم متغير LASSO التكيفي — الذي يعين أوزان عقوبة خاصة بالمتنبئ لتحقيق خاصية الأوراكل — للانحدار الخطي بواسطة زو (2006) وتم تمديده إلى نموذج كوكس بواسطة تشانغ ولو في ورقتهما البحثية عام 2007 في Biometrika. امتدت الأعمال اللاحقة المعاقبة التكيفية إلى متغيرات LASSO الجماعية، والشبكة المرنة، و SCAD لنتائج البقاء على قيد الحياة.
الأسئلة الشائعة
يطبق انحدار LASSO Cox العادي نفس وزن العقوبة على جميع المتنبئات، مما يؤدي إلى تحيز تقلص على المعاملات الحقيقية الكبيرة ويفتقر إلى خاصية الأوراكل — قد لا يختار النموذج الصحيح باستمرار في العينات الكبيرة. يعين انحدار كوكس التكيفي لكل متنبئ وزنًا يتناسب عكسيًا مع تأثيره المقدر الأولي: يتم معاقبة المتنبئات ذات التأثير الكبير بشكل خفيف (مما يقلل التحيز)، بينما يتم معاقبة المتنبئات القريبة من الصفر بشدة (مما يحسن الاختيار). هذا الوزن التكيفي يمنح الطريقة خاصية الأوراكل في ظل ظروف الانتظام.
ما هو المقدر الأولي الذي يجب أن أستخدمه للأوزان التكيفية؟
الخيارات الشائعة هي مقدر الاحتمالية الجزئية لكوكس غير المعاقب (ممكن عندما n > p ويكون النموذج الأولي مستقرًا)، انحدار كوكس ريدج (موصى به عندما يكون p كبيرًا أو قريبًا من n لأن ريدج ينتج دائمًا تقديرات محدودة)، أو مقدر فحص هامشي. يعتبر LASSO التكيفي الذي يبدأ بريدج هو النهج الأكثر توصية على نطاق واسع في إعدادات البقاء عالية الأبعاد.
هل يمكنني الإبلاغ عن نسب المخاطر للمتغيرات المختارة كما لو كانت من نموذج كوكس قياسي؟
التقديرات النقطية قابلة للمقارنة في المعنى مع نسب مخاطر كوكس القياسية، ولكن الأخطاء المعيارية وفترات الثقة المحسوبة كما لو لم يحدث أي اختيار غير صالحة — فهي تتجاهل خطوة الاختيار وهي ضيقة جدًا. للاستدلال بعد الاختيار، استخدم فترات ثقة Bootstrap، أو تقسيم العينة، أو طرق الاستدلال الانتقائي المصممة خصيصًا لنماذج البقاء بعد الاختيار.
كيف أختار معلمة الضبط lambda؟
النهج الأكثر شيوعًا هو التحقق المتقاطع K-fold (K=5 أو 10) الذي يزيد من الاحتمالية اللوغاريتمية الجزئية المتحقق منها بالتقاطع. يمكن أيضًا استخدام BIC أو extended BIC (للبيانات عالية الأبعاد جدًا) ويميلان إلى اختيار نماذج أكثر تفرغًا. يؤثر اختيار المعيار على حجم النموذج: يميل التحقق المتقاطع نحو نماذج أكبر مع تنبؤ أفضل؛ يميل BIC نحو نماذج أصغر مع اتساق اختيار أفضل.
هل لا يزال يتعين التحقق من افتراض المخاطر النسبية بعد الاختيار التكيفي؟
نعم. يقوم المعاقبة باختيار المتنبئات ولكنه لا يتحقق من المخاطر النسبية أو يفرضها. بعد الانتهاء من النموذج، يجب إنتاج اختبارات ورسوم بقايا شونفيلد لكل متنبئ محتفظ به. قد تتطلب الانتهاكات إضافة حدود تفاعل زمنية مع المتغيرات المساعدة أو التبديل إلى نموذج بقاء بديل للمتنبئات المخالفة.
قم بملاءمة وضبط نموذج كوكس التكيفي للمخاطر النسبية على مجموعة بيانات البقاء الخاصة بك داخل MethodMind — قم بتحميل بياناتك المتعلقة بالوقت حتى وقوع الحدث، وقم بتكوين الأوزان التكيفية وشبكة بحث lambda، وقم بتشغيل الاختيار المتحقق منه بالتقاطع، وقم بتصدير نسب المخاطر مع ملخصات أداء C-index.
طرق ذات صلة
المصادر
Zhang, H. H., & Lu, W. (2007). Adaptive Lasso for Cox's proportional hazards model. Biometrika, 94(3), 691–703.
افتح مرجع DOIتم النسخ.Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202.
افتح مرجع DOIتم النسخ.